🤖 machine learning

Reconciling Causality and Non-Equilibrium Thermodynamics with Hamiltonian Causal Models

本論文は、介入制御されたハミルトニアン・メカニズムを通じて因果効果を定義し、エントロピー生成を利用して非定常な物理系における不可逆性と因果的影響を定量化することにより、統計的因果モデリングと非平衡熱力学を調和させる軌跡レベルの枠組みであるハミルトニアン因果モデル（HCM）を導入するものである。

原著者： Dario Rancati, Max Welling, Francesco Locatello

公開日 2026-06-04

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Dario Rancati, Max Welling, Francesco Locatello

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

あなたは、水の中に広がるインクの滴や、揺れる振り子のような物理システムの動画を見ていると想像してください。因果関係（コーザリティ）を研究するための標準的な手法は、通常、「前」と「後」のスナップショットに注目します。それらは、「もし出発点を変えたら、到達点は変わるか？」と問いかけます。

しかし、この論文の著者たちは、物理システムにとって、この「スナップショット」的なアプローチは、最も重要な物語の一部を見落としていると主張しています。それは、**旅路そのもの（プロセス）**です。

以下は、日常的な比喩を用いた、彼らの新しいアイデア、**ハミルトニアン因果モデル（HCM）**の簡単な解説です。

1. 問題点：「スナップショット」対「動画」

標準的な因果モデルでは、原因と結果をスイッチのように扱うことがよくあります。スイッチを切り替えれば、何かが起こる、という具合です。しかし、現実の物理世界では、原因はしばしば時間をかけて発生します。

比喩： あなたが子供をブランコで押している場面を想像してください。
- 標準的な視点： あなたは、子供が最初にどこにいたかと、最後にどこにいたかを見ます。もし、押し方が違っても、最終的に同じ場所にたどり着いたとしたら、標準的なモデルは「違いはない！」と言うかもしれません。
- 現実： 押し方（経路）こそが重要でした。例えば、一度は長く滑らかな押し方をし、もう一度は短く、ぎこちない押し方をしたかもしれません。たとえ最終的に同じ場所にたどり着いたとしても、その**経路（パス）**は全く異なるものでした。子供は異なる力を感じ、空気抵抗（摩擦）も、その旅路の間で異なる働き方をしました。

著者たちは、単なる「始まりと終わり」ではなく、**映画全体（全行程）**を見るモデルが必要だと述べています。

2. 解決策：「エネルギーの設計図」（ハミルトニアン・モデル）

著者たちは、ハミルトニアン因果モデルと呼ばれるフレームワークを紹介しています。「ハミルトニアン」とは、システムのエネルギーの設計図だと考えてください。それは、エネルギーがどのように蓄えられ、システムの各部分間でどのように移動するかを規定する、数学的なルールブックです。

比喩： 複雑なルーブ・ゴールドバーグ・マシン（連鎖反応装置）を想像してください。
- **設計図（ハミルトニアン）**は、ドミノ、レバー、ボールがどのように接続され、各部分にどれだけのエネルギーがあるかを正確に記述しています。
- 運動の規則： 物理法則（重力など）は、決して変わることのない「不変のルール」です。
- 介入（インターベンション）： 介入とは、人間がやってきて設計図を微調整することに似ています。バネを締めたり、スロープの角度を変えたりするかもしれません。あなたは重力の法則を変えているのではなく、重力が作用する**セットアップ（メカニズム）**を変更しているのです。

このモデルにおいて、「原因」は、設計図を変えることが、システムが辿る経路全体をどのように変えるかによって定義されます。

3. 秘密の材料：「熱力学的指紋」

この論文の最もエキサイティングな部分は、これらの原因をどのように検出するかという点です。彼らは、物理学の概念であるエントロピー生成を使用しています。

比喩： エントロピーを「乱雑さ」や「不可逆性」の尺度だと考えてください。
- 例えば、ガラスが砕け散る動画を見たとします。それは現実的に見えます。しかし、もし動画を逆再生して、ガラスの破片が飛び上がって元通りに組み合わさる様子を見せたら、それは不可能に見えます。この「これは逆には起こり得ない」という感覚がエントロピーです。
- 指紋： システムに介入すると（例えば、先ほどのブランコを押すように）、特定の「熱力学的痕跡」が生じます。システムは、その押し方に固有の形で熱や摩擦を発生させます。

著者たちは、エントロピー生成が、因果関係を検知するための超高感度な検出器として機能することを発見しました。

なぜ特別なのか： 標準的な測定法では、「ブランコは同じ場所に止まったので、押し方も同じだった」と言うかもしれません。しかし、エントロピー生成はこう告げます。「いいえ！最初の押し方は多くの熱と騒音（高いエントロピー）を生み出しましたが、二度目の押し方は滑らか（低いエントロピー）でした。したがって、原因は異なっていたのです！」

これは、最終的な結果だけでなく、経路の不可逆性を見ることで、標準的な手法では見えない因果効果を検出できるため、非常に特殊なのです。

4. 「マクスウェルの悪魔」からの教訓

この論文はまた、粒子を分類してエントロピーを減少させる「悪魔」が登場する有名な思考実験にも触れています。著者たちはこれを用いて、介入は無料ではないということを説明しています。

比喩： もしシステムを制御したい（サーモスタットのように）のであれば、情報を収集し、エネルギーを使用しなければなりません。論文は、介入を真に理解するためには、介入そのものの「コスト」を考慮しなければならないと論じています。「悪魔（コントローラー）」はシステムの一部であり、その行動は因果関係が存在することを証明する熱力学的な印を残します。

5. 彼らが実際に証明したこと（結果）

著者たちは単に理論を提示しただけでなく、コンピュータ・シミュレーションを用いてテストを行いました：

隠れた違いの検出： 二つの異なる制御方法が、全く同じ最終結果をもたらすシナリオを作成しました。標準的なツールは「因果的な違いはない」と判定しましたが、彼らの新しいツール（エントロピー生成）は、「これらは全く異なる原因である」と正しく判定しました。
接続の解明： AがBに影響を与え、かつBがAに影響を与えるような、複雑でループするシステムにおいて、特定の部分を刺激したときにその部分がどれだけの「エントロピー」を生成するかを測定することで、どの部分がどの部分と繋がっているかを特定できることを示しました。これは、まるで、騒音を聞くだけで、混雑した部屋の中で誰が誰と話しているのかを突き止めるようなものです。

まとめ

この論文は、以下の方法によって、物理システムにおける原因と結果の理解に関する新しい道を提示しています：

開始と終了だけでなく、**旅路全体（軌跡）**を見ること。
エネルギーの設計図を用いて、不変の物理法則と、私たちが制御可能なものを区別すること。
エントロピー生成（生成される熱や乱雑さ）を、実際に原因が発生したことを証明する「指紋」として用いること。たとえ最終的な結果が同じに見えたとしても。

これは、統計的な「データ」の世界と、物理的な「熱力学」の世界の架け橋となり、これまで目に見えなかった因果関係を可視化するツールを提供しています。

技術要約：ハミルトニアン因果モデルによる因果性と非平衡熱力学の調和

問題提起

標準的な統計的因果モデル（構造的因果モデルや潜在結果モデルなど）は、物理的な時間現象に適用する際に重大な課題に直面している。これらの枠組みは、以下の要素をネイティブに扱うことが困難である：

軌跡レベルの介入： 静的な割り当てではなく、システムの経路に沿った時間依存的な制御として作用する介入。
非定常性： 時間とともに変化する誘導された法則。
経路依存性： 終端状態だけでなく、システムの特定の履歴に依存する因果効果。
フィードバックとサイクル： 時間を通じて展開される循環的な依存関係。

さらに、統計的因果性と物理的因果性の間には概念的な隔たりが存在する。物理学において、因果の方向性は熱力学的時間の矢（不可逆性）と結びついているが、標準的な因果モデルは、時間反転対称な法則を因果的非対称性と互換性があるものとして扱うことが多い。既存の枠組みは、これらの物理的事実を扱うためにアドホックな構成を必要としており、不変の運動方程式と介入可能なメカニズムを区別できていない。

手法：ハミルトニアン因果モデル (HCM)

著者らは、観測変数と局所的で未観測の熱環境（バス）が相互作用する軌跡レベルのフレームワークであるハミルトニアン因果モデル (HCM) を導入している。

基本定義

システム構造： HCMは、観測変数 $X$ と未観測のバス $E$ を表すシンプレクティック多様体 $\Gamma = \Gamma_X \times \Gamma_E$ 上で定義される。
ハミルトニアンの分解： システムは、以下の要素に分解されるハミルトニアン $H(z, \lambda)$ $H (z, λ)$ に従って進化する：
- 固有ポテンシャル ( $H_{self}$ )
- 因果的親への結合 ( $H_{mech}$ )
- 局所的バスへの結合 ( $H_{bath}$ )
- 自由環境ダイナミクス ( $H_E$ )
  この分解は、古典的な構造的因果モデルにおける因果的マルコフ分解の役割を果たす。
介入： 介入は、ハミルトニアン関数（具体的にはメカニズム $H_{mech}$ および $H_{bath}$ ）を修正する時間依存のポリシー $\lambda(t)$ としてモデル化されるが、基礎となる運動方程式（シンプレクティック構造）を変更することはない。これにより、介入可能なメカニズムと不変の物理法則を分離している。
因果効果： 異なる介入ポリシーの下での変数のパス則（path law）の差異として定義される。単一の時間点や累積和に焦点を当てることが多い標準的な平均処置効果 (ATE) とは異なり、HCMは全軌跡空間にわたる因果効果を定義する。

熱力学的統合

本フレームワークは、非平衡熱力学を利用して因果的影響を定量化する：

仕事： 介入によって行われるエネルギー。著者らは、ハミルトニアンが既知であれば、仕事率を用いることで、どの変数が局所的なメカニズム（グラフ上の親）に参加しているかを特定できることを示している。
エントロピー生成 ( $\Sigma$ )： 前向きのパス則とその時間反転されたパス則を比較することで、プロセスの不可逆性を測定するパス空間の量。
- 射影された局所エントロピー生成： 単一ノードの周辺軌跡から推定可能な量であり、因果効果の証拠（ウィットネス）として機能する。
- 局所エントロピー生成率： 制御されたランジュバン拡散のための精緻化された指標であり、微小な「右局所的（right-local）」介入を行うことで、直接の親と間接的な祖先を区別できる。

主な貢献

形式的フレームワーク： 制御されたハミルトニアン系と因果モデリングを統合し、時間依存、適応的、および循環的な介入をネイティブに記述することを可能にするHCMの導入。
熱力学的因果観測量：
- ハミルトニアンが既知の場合、仕事率がグラフ上の親を特定することの証明。
- 射影されたエントロピー生成が因果効果の証拠として機能し、標準的なATEでは捉えられないパスレベルの差異を検出することの証明。
- 循環的かつ非定常なランジュバン系において、微小な介入を通じて直接的な親構造を特定する局所エントロピー生成応答基準（定理 3.9）の導出。
理論的統一： HCMが、（バスのサイズを大きくし、慣性パラメータを小さくする極限において）標準的なSCMや循環的一般化を定常な特殊ケースとして回収することを示すとともに、非平衡領域へと自然に拡張されることを示す。

実験結果

著者らは、2つの実験セットを通じて理論を検証している。

パスレベルの因果検出の検証 (命題 3.7):
- 設定 A (同一終端): 異なる経路を経て同じ最終状態に到達する2つのプロトコルによって駆動される、線形振動子の連鎖。標準的な終端 ATE は設計上ゼロとなる。
- 設定 B (時間反転): 隠れた媒介変数に対して、逆順にパルスを受けるシステム。時間並進対称性により、累積 ATE はゼロとなる。
- 結果: 両方のケースにおいて、標準的な推定量は因果的な差異を検出できなかった。しかし、射影されたエントロピー生成は、プロトコルを高い統計的有意性をもって区別することに成功した。これは、標準的な ATE では検出できないパスレベルの効果を検出できることを裏付けている。
循環系における親の発見 (定理 3.9):
- 設定: 3種類のポテンシャルファミリー（Bilinear, Sigmoid, Cubic）を用いて実装された、ランダムな循環型エルデシュ・レーニ・グラフ ( $n=15$ )。
- 手法: 微小な介入に対する局所エントロピー生成応答 $R_{i|j}$ の推定。
- 結果: 本手法は、これらの困難な非定常・循環的設定において、直接の親構造をほぼ完璧な再現率（recall）と強い適合率（precision）で復元し、循環問題に苦慮する標準的な手法を凌駕した。

意義と主張

本論文は、物理システムにおいて因果がどのように立ち現れるかと自然に一致する、「新しい言語」を統計的因果性に提供すると主張している。

調和： 統計的因果モデルと非平衡熱力学の間の溝を埋め、熱力学的な時間の矢を因果の非対称性の源泉として扱う。
因果発見における新規性： 介入が動的であり、フィードバックループが存在するシステム（標準的なSCMではアドホックな修正が必要となる領域）を記述するためのツールを提供する。
物理的解釈可能性： 因果効果をエントロピー生成に根ざさせることで、物理的に意味があり、データから推定可能な因果の指標を提供する。

著者らは今後の展望について謙虚な姿勢を保っており、HCMはSCMを一般化するものであるが、非勾配ドリフトを持つ一般的な時間的SCMを直ちに記述するものではないと述べている。そのようなフレームワークへの拡張と、ハミルトニアン学習に基づく因果発見アルゴリズムの開発が、重要な次のステップであると特定している。